如何使用Python提取PDF指定页码范围并拆分保存为独立文件？

我看了你的代码，发现几个关键问题导致它没法正确按需求拆分PDF——你应该是想按包含Challenge 1:和Challenge 2:的标记来拆分文档，提取中间的名称作为每个拆分文件的文件名对吧？咱们一步步来修正：

先说说原代码里的核心问题 #

• 循环里每次都新建PdfFileWriter，还误用了未定义的page_num、page变量，根本没法正确添加页面
• 提取loanAcctName的逻辑太生硬，只要页面里找不到其中一个关键词，直接就会报错
• pageList的添加逻辑完全重复，不管有没有匹配关键词都加，完全起不到筛选作用
• 你定义了directory但根本没用到，拆分的文件会存在脚本当前目录，不是你指定的路径
• 手动调用out.close()完全多余，with语句会自动帮你关闭文件
• 用object当变量名是踩了Python内置关键字的坑，容易出奇怪的问题

修正后的代码 #

import os
from PyPDF2 import PdfFileReader, PdfFileWriter
import re

def pdf_splitter(pdf_path):
    # 定义输出目录，确保目录存在（如果不存在就创建）
    directory = "C:\\Users\\Docs\\"
    os.makedirs(directory, exist_ok=True)
    
    fname = os.path.splitext(os.path.basename(pdf_path))[0]
    print(f"处理文件: {fname}")
    
    # 避免用Python内置关键字当变量名，改用pdf_reader
    pdf_reader = PdfFileReader(pdf_path)
    total_pages = pdf_reader.getNumPages()
    print(f"总页数: {total_pages}")
    
    # 定义要匹配的关键词
    challenge1_str = "Challenge 1:"
    challenge2_str = "Challenge 2:"
    
    # 记录当前正在处理的挑战的页码和名称
    current_challenge_pages = []
    current_loan_name = None
    
    for page_idx in range(total_pages):
        page = pdf_reader.getPage(page_idx)
        page_text = page.extractText()
        
        # 遇到Challenge 1:时，先保存上一个未完成的挑战（如果有的话）
        if re.search(challenge1_str, page_text):
            if current_challenge_pages and current_loan_name:
                save_challenge_pdf(pdf_reader, current_challenge_pages, current_loan_name, directory)
                current_challenge_pages = []
            
            # 提取两个关键词之间的名称，处理找不到Challenge 2:的情况
            start_idx = page_text.find(challenge1_str) + len(challenge1_str)
            end_idx = page_text.find(challenge2_str)
            if end_idx != -1:
                current_loan_name = page_text[start_idx:end_idx].strip()
            else:
                # 如果当前页面没有Challenge 2:，用默认名称避免报错
                current_loan_name = f"{fname}_Challenge_{len(current_challenge_pages)+1}"
        
        # 如果当前有正在处理的挑战，把当前页面加入列表
        if current_loan_name is not None:
            current_challenge_pages.append(page_idx)
    
    # 处理最后一个挑战的内容（循环结束后可能还有未保存的）
    if current_challenge_pages and current_loan_name:
        save_challenge_pdf(pdf_reader, current_challenge_pages, current_loan_name, directory)

def save_challenge_pdf(pdf_reader, page_indices, loan_name, output_dir):
    """把指定页码范围保存为单独的PDF文件的辅助函数"""
    pdf_writer = PdfFileWriter()
    for idx in page_indices:
        pdf_writer.addPage(pdf_reader.getPage(idx))
    
    # 清理文件名里的非法字符，避免保存失败
    clean_loan_name = re.sub(r'[<>:"/\\|?*]', '', loan_name)
    output_filename = f"{clean_loan_name}.pdf"
    output_path = os.path.join(output_dir, output_filename)
    
    with open(output_path, 'wb') as out_file:
        pdf_writer.write(out_file)
    print(f"已创建: {output_path}")

if __name__ == '__main__':
    pdf_path = r"C:\\Users\\FY22.pdf"
    pdf_splitter(pdf_path)

修正点说明 #

• 新增了save_challenge_pdf辅助函数，把保存PDF的逻辑抽出来，代码更清晰易维护
• 自动创建输出目录，避免因为目录不存在导致保存失败
• 处理了关键词找不到的边界情况，不会因为页面没包含Challenge 2:就报错
• 清理文件名里的非法字符（比如冒号、斜杠这些），避免Windows系统下保存失败
• 正确按Challenge 1:的标记拆分文档，把每个挑战对应的所有页面保存为一个独立文件
• 移除了原代码里无用的逻辑，优化了变量命名，避免踩Python关键字的坑

内容的提问来源于stack exchange，提问作者Amit Sharma